1.一种基于深度Bi‑LSTM网络的近红外光谱模型迁移方法，其特征在于，包括以下步骤：

（1）获取源域和目标域的近红外光谱数据；

（2）对源域近红外光谱数据进行数据增强；

（3）对源域和目标域的近红外光谱数据进行光谱预处理；

（4）使用spxy法将源域和目标域的近红外光谱数据分别划分为校正集、验证集和预测集；

（5）设计Bi‑LSTM网络结构；

（6）使用源域近红外光谱数据训练Bi‑LSTM网络结构得到Bi‑LSTM定量浓度预测模型；

（7）提取Bi‑LSTM定量浓度预测模型中所有的Bi‑LSTM层，并加入全连接层构成神经网络；

（8）使用目标域校正集和验证集近红外光谱数据训练全连接层并更新神经网络各层间的权重与偏差；

（9）使用目标域预测集近红外光谱数据测试迁移模型，评估模型迁移效果和抗噪能力。

2.根据权利要求1所述的一种基于深度Bi‑LSTM网络的近红外光谱模型迁移方法，其特征在于：所述步骤（2）中，在源域近红外光谱数据中加入不同信噪比的高斯白噪声进行数据增强。

3.根据权利要求1所述的一种基于深度Bi‑LSTM网络的近红外光谱模型迁移方法，其特征在于：所述步骤（3）中，使用VMD提取每条近红外光谱的第一个子模态IMF1，其余子模态作为高频噪声舍弃，并对所有提取出的IMF1进行SNV变换，消除谱线偏移，然后对SNV变换后的近红外光谱数据归一化，加速神经网络损失函数的收敛。

4.根据权利要求3所述的一种基于深度Bi‑LSTM网络的近红外光谱模型迁移方法，其特征在于：所述VMD算法公式不断迭代更新模态、对应的中心频率和拉格朗日乘数，直到相关系数满足条件，停止迭代，输出所有IMFS。

5.根据权利要求1所述的一种基于深度Bi‑LSTM网络的近红外光谱模型迁移方法，其特征在于：所述步骤（5）中，设计的Bi‑LSTM网络结构为：SequenceInputLayer‑bilstmLayer‑batchNormalizationLayer‑leakyReluLayer‑flattenLayer‑bilstmLayer‑batchNormalizationLayer‑leakyReluLayer‑flattenLayer‑bilstmLayer‑batchNormalizationLayer‑leakyReluLayer‑flattenLayer‑bilstmLayer‑batchNormalizationLayer‑leakyReluLayer‑flattenLayer‑bilstmLayer‑leakyReluLayer‑flattenLayer‑fullyConnectedLayer‑fullyConnectedLayer‑fullyConnectedLayer‑dropoutLayer‑fullyConnectedLayer‑regressionLayer。

6.根据权利要求1所述的一种基于深度Bi‑LSTM网络的近红外光谱模型迁移方法，其特征在于：所述步骤（7）中，提取Bi‑LSTM定量浓度预测模型中所有的Bi‑LSTM层，其结构为：SequenceInputLayer‑bilstmLayer‑batchNormalizationLayer‑leakyReluLayer‑flattenLayer‑bilstmLayer‑batchNormalizationLayer‑leakyReluLayer‑flattenLayer‑bilstmLayer‑batchNormalizationLayer‑leakyReluLayer‑flattenLayer‑bilstmLayer‑batchNormalizationLayer‑leakyReluLayer‑flattenLayer‑bilstmLayer‑leakyReluLayer‑flattenLayer。

7.根据权利要求1所述的一种基于深度Bi‑LSTM网络的近红外光谱模型迁移方法，其特征在于：所述步骤（7）中，加入的全连接层结构为：fullyConnectedLayer‑fullyConnectedLayer‑fullyConnectedLayer‑dropoutLayer‑fullyConnectedLayer‑regressionLayer。

8.根据权利要求1所述的一种基于深度Bi‑LSTM网络的近红外光谱模型迁移方法，其特2

征在于：所述步骤（9）中，评估模型迁移效果的指标为相关系数R、均方根误差RMSEP和相对分析误差RPD。